用于基于整数的语义分割网络的训练与推理
计算机视觉与模式识别
2020-12-01 v1 人工智能
摘要
近年来，语义分割一直是研究与工业界的重要课题。然而，由于像素级预测与反向传播算法的计算复杂性，语义分割对计算资源需求很高，导致训练与推理速度慢，且需要较大存储空间来保存模型。现有加速分割网络的方案改变了网络结构并伴随明显的精度下降。而神经网络量化可在保持可比精度和原始网络结构的同时降低计算负载。语义分割网络在许多方面不同于传统深度卷积神经网络（DCNNs），且该课题在现有工作中尚未被充分探索。本文中，我们提出一种用于分割网络训练与推理的新量化框架，其中参数与运算首次被限制为8位整数值。数据流的全量化以及批归一化中平方与根号运算的移除，使我们的框架能够在定点设备上执行推理。我们所提框架在FCN-VGG16与DeepLabv3-ResNet50等主流语义分割网络上进行了评估，在ADE20K数据集与PASCAL VOC 2012数据集上取得了相对于浮点框架可比的精度。
引用
@article{arxiv.2011.14504,
title = {Training and Inference for Integer-Based Semantic Segmentation Network},
author = {Jiayi Yang and Lei Deng and Yukuan Yang and Yuan Xie and Guoqi Li},
journal= {arXiv preprint arXiv:2011.14504},
year = {2020}
}
备注
17 page, 12 figures, submitted to Neurocomputing